Condividi tramite

Guida alla migrazione e avviso di deprecazione di Spark Submit

Avvertimento

L'attività Spark Submit è deprecata e verrà presto rimossa. L'utilizzo di questo tipo di attività non è consentito per i nuovi casi d'uso e sconsigliato per i clienti esistenti. Per la documentazione originale per questo tipo di attività, vedere Spark Submit (legacy). Continuare a leggere per istruzioni sulla migrazione.

Perché Spark Submit è deprecato?

Il tipo di attività Spark Submit è deprecato a causa di limitazioni tecniche e lacune di funzionalità che non si trovano nelle attività di JAR, Notebook o script Python. Queste attività offrono una migliore integrazione con le funzionalità di Databricks, prestazioni migliorate e maggiore affidabilità.

Misure di deprecazione

Databricks implementa le misure seguenti in relazione alla deprecazione:

  • Creazione con restrizioni: solo gli utenti che hanno usato attività di invio Spark nel mese precedente, a partire da novembre 2025, possono creare nuove attività di invio spark . Se hai bisogno di un'eccezione, contatta l'assistenza clienti.
  • Restrizioni della versione di Databricks Runtime: l'utilizzo dell'invio di Spark è limitato alle versioni esistenti di Databricks Runtime e alle versioni di manutenzione esistenti. Le versioni esistenti di Databricks Runtime con Spark Submit continueranno a ricevere versioni di manutenzione di sicurezza e correzione di bug fino a quando la funzionalità non viene arrestata completamente. Databricks Runtime 17.3+ e 18.x+ non supporterà questo tipo di attività.
  • Avvisi dell'interfaccia utente: gli avvisi vengono visualizzati nell'interfaccia utente di Databricks in cui sono in uso le attività di invio spark e le comunicazioni vengono inviate agli amministratori dell'area di lavoro in account di utenti esistenti.

Eseguire la migrazione dei carichi di lavoro JVM alle attività JAR

Per i carichi di lavoro JVM, migrare le attività Spark Submit alle attività JAR. Le attività JAR offrono un supporto e un'integrazione migliori delle funzionalità con Databricks.

Seguire questa procedura per eseguire la migrazione:

  1. Creare una nuova attività JAR nel tuo lavoro.
  2. Dai parametri dell'attività Spark Submit identificare i primi tre argomenti. In genere seguono questo modello: ["--class", "org.apache.spark.mainClassName", "dbfs:/path/to/jar_file.jar"]
  3. Rimuovere il --class parametro .
  4. Impostare il nome della classe principale (ad esempio, org.apache.spark.mainClassName) come classe Main per l'attività JAR.
  5. Specifica il percorso del file JAR (ad esempio, dbfs:/path/to/jar_file.jar) nella configurazione dell'attività JAR.
  6. Copiare gli argomenti rimanenti dall'attività Invia Spark ai parametri dell'attività JAR.
  7. Eseguire l'attività JAR e verificare che funzioni come previsto.

Per informazioni dettagliate sulla configurazione delle attività JAR, vedere Attività JAR.

Eseguire la migrazione di carichi di lavoro R

Se si avvia uno script R direttamente da un'attività di invio Spark , sono disponibili più percorsi di migrazione.

Opzione A: Usare le attività del notebook

Eseguire la migrazione dello script R a un notebook di Databricks. Le attività notebook supportano un set completo di funzionalità, tra cui la scalabilità automatica dei cluster e offrono una migliore integrazione con la piattaforma Databricks.

Opzione B: Script R bootstrap da un'attività del Notebook

Usare un'attività Notebook per eseguire il bootstrap degli script R. Creare un notebook con il codice seguente e fare riferimento al file R come parametro del processo. Modificare per aggiungere parametri usati dallo script R, se necessario:

dbutils.widgets.text("script_path", "", "Path to script")
script_path <- dbutils.widgets.get("script_path")
source(script_path)

Trova lavori che utilizzano attività di Spark Submit

È possibile usare gli script Python seguenti per identificare i processi nell'area di lavoro che contengono attività di invio Spark. Sarà necessario un accesso personale valido o un altro token e sarà necessario usare l'URL dell'area di lavoro .

Opzione A: Analisi veloce (esegui per primo questo, solo incarichi persistenti)

Questo script analizza solo i processi persistenti (creati tramite /jobs/create o l'interfaccia Web) e non include processi temporanei creati tramite /runs/submit. Si tratta del metodo di prima riga consigliato per identificare l'utilizzo di Spark Submit perché è molto più veloce.

#!/usr/bin/env python3
"""
Requirements:
    databricks-sdk>=0.20.0

Usage:
    export DATABRICKS_HOST="https://your-workspace.cloud.databricks.com"
    export DATABRICKS_TOKEN="your-token"
    python3 list_spark_submit_jobs.py

Output:
    CSV format with columns: Job ID, Owner ID/Email, Job Name

Incorrect:
    export DATABRICKS_HOST="https://your-workspace.cloud.databricks.com/?o=12345678910"
"""

import csv
import os
import sys
from databricks.sdk import WorkspaceClient
from databricks.sdk.errors import PermissionDenied


def main():
    # Get credentials from environment
    workspace_url = os.environ.get("DATABRICKS_HOST")
    token = os.environ.get("DATABRICKS_TOKEN")

    if not workspace_url or not token:
        print(
            "Error: Set DATABRICKS_HOST and DATABRICKS_TOKEN environment variables",
            file=sys.stderr,
        )
        sys.exit(1)

    # Initialize client
    client = WorkspaceClient(host=workspace_url, token=token)

    # Scan workspace for persistent jobs with Spark Submit tasks
    # Using list() to scan only persistent jobs (faster than list_runs())
    print(
        "Scanning workspace for persistent jobs with Spark Submit tasks...",
        file=sys.stderr,
    )
    jobs_with_spark_submit = []
    total_jobs = 0

    # Iterate through all jobs (pagination is handled automatically by the SDK)
    skipped_jobs = 0
    for job in client.jobs.list(expand_tasks=True, limit=25):
        try:
            total_jobs += 1
            if total_jobs % 1000 == 0:
                print(f"Scanned {total_jobs} jobs total", file=sys.stderr)

            # Check if job has any Spark Submit tasks
            if job.settings and job.settings.tasks:
                has_spark_submit = any(
                    task.spark_submit_task is not None for task in job.settings.tasks
                )

                if has_spark_submit:
                    # Extract job information
                    job_id = job.job_id
                    owner_email = job.creator_user_name or "Unknown"
                    job_name = job.settings.name or f"Job {job_id}"

                    jobs_with_spark_submit.append(
                        {"job_id": job_id, "owner_email": owner_email, "job_name": job_name}
                    )
        except PermissionDenied:
            # Skip jobs that the user doesn't have permission to access
            skipped_jobs += 1
            continue

    # Print summary to stderr
    print(f"Scanned {total_jobs} jobs total", file=sys.stderr)
    if skipped_jobs > 0:
        print(
            f"Skipped {skipped_jobs} jobs due to insufficient permissions",
            file=sys.stderr,
        )
    print(
        f"Found {len(jobs_with_spark_submit)} jobs with Spark Submit tasks",
        file=sys.stderr,
    )
    print("", file=sys.stderr)

    # Output CSV to stdout
    if jobs_with_spark_submit:
        writer = csv.DictWriter(
            sys.stdout,
            fieldnames=["job_id", "owner_email", "job_name"],
            quoting=csv.QUOTE_MINIMAL,
        )
        writer.writeheader()
        writer.writerows(jobs_with_spark_submit)
    else:
        print("No jobs with Spark Submit tasks found.", file=sys.stderr)


if __name__ == "__main__":
    main()

Opzione B: Scansione completa (più lentamente, include attività effimere degli ultimi 30 giorni)

Se è necessario identificare i processi effimeri creati tramite /runs/submit, usare questo script più completo. Questo script analizza tutte le esecuzioni dei processi degli ultimi 30 giorni nell'area di lavoro, inclusi i processi permanenti (creati tramite /jobs/create) e i processi temporanei. L'esecuzione di questo script può richiedere ore in aree di lavoro di grandi dimensioni.

#!/usr/bin/env python3
"""
Requirements:
    databricks-sdk>=0.20.0

Usage:
    export DATABRICKS_HOST="https://your-workspace.cloud.databricks.com"
    export DATABRICKS_TOKEN="your-token"
    python3 list_spark_submit_runs.py

Output:
    CSV format with columns: Job ID, Run ID, Owner ID/Email, Job/Run Name

Incorrect:
    export DATABRICKS_HOST="https://your-workspace.cloud.databricks.com/?o=12345678910"
"""

import csv
import os
import sys
import time
from databricks.sdk import WorkspaceClient
from databricks.sdk.errors import PermissionDenied


def main():
    # Get credentials from environment
    workspace_url = os.environ.get("DATABRICKS_HOST")
    token = os.environ.get("DATABRICKS_TOKEN")

    if not workspace_url or not token:
        print(
            "Error: Set DATABRICKS_HOST and DATABRICKS_TOKEN environment variables",
            file=sys.stderr,
        )
        sys.exit(1)

    # Initialize client
    client = WorkspaceClient(host=workspace_url, token=token)

    thirty_days_ago_ms = int((time.time() - 30 * 24 * 60 * 60) * 1000)

    # Scan workspace for runs with Spark Submit tasks
    # Using list_runs() instead of list() to include ephemeral jobs created via /runs/submit
    print(
        "Scanning workspace for runs with Spark Submit tasks from the last 30 days... (this will take more than an hour in large workspaces)",
        file=sys.stderr,
    )
    runs_with_spark_submit = []
    total_runs = 0
    seen_job_ids = set()

    # Iterate through all runs (pagination is handled automatically by the SDK)
    skipped_runs = 0
    for run in client.jobs.list_runs(
        expand_tasks=True,
        limit=25,
        completed_only=True,
        start_time_from=thirty_days_ago_ms,
    ):
        try:
            total_runs += 1
            if total_runs % 1000 == 0:
                print(f"Scanned {total_runs} runs total", file=sys.stderr)

            # Check if run has any Spark Submit tasks
            if run.tasks:
                has_spark_submit = any(
                    task.spark_submit_task is not None for task in run.tasks
                )

                if has_spark_submit:
                    # Extract job information from the run
                    job_id = run.job_id if run.job_id else "N/A"
                    run_id = run.run_id if run.run_id else "N/A"
                    owner_email = run.creator_user_name or "Unknown"
                    # Use run name if available, otherwise try to construct a name
                    run_name = run.run_name or (
                        f"Run {run_id}" if run_id != "N/A" else "Unnamed Run"
                    )

                    # Track unique job IDs to avoid duplicates for persistent jobs
                    # (ephemeral jobs may have the same job_id across multiple runs)
                    key = (job_id, run_id)
                    if key not in seen_job_ids:
                        seen_job_ids.add(key)
                        runs_with_spark_submit.append(
                            {
                                "job_id": job_id,
                                "run_id": run_id,
                                "owner_email": owner_email,
                                "job_name": run_name,
                            }
                        )
        except PermissionDenied:
            # Skip runs that the user doesn't have permission to access
            skipped_runs += 1
            continue

    # Print summary to stderr
    print(f"Scanned {total_runs} runs total", file=sys.stderr)
    if skipped_runs > 0:
        print(
            f"Skipped {skipped_runs} runs due to insufficient permissions",
            file=sys.stderr,
        )
    print(
        f"Found {len(runs_with_spark_submit)} runs with Spark Submit tasks",
        file=sys.stderr,
    )
    print("", file=sys.stderr)

    # Output CSV to stdout
    if runs_with_spark_submit:
        writer = csv.DictWriter(
            sys.stdout,
            fieldnames=["job_id", "run_id", "owner_email", "job_name"],
            quoting=csv.QUOTE_MINIMAL,
        )
        writer.writeheader()
        writer.writerows(runs_with_spark_submit)
    else:
        print("No runs with Spark Submit tasks found.", file=sys.stderr)


if __name__ == "__main__":
    main()

Hai bisogno di aiuto?

Se è necessaria assistenza aggiuntiva, contattare il supporto dell'account.

  • Last updated on